Učení strojů, neboli Machine Learning, je oblast umělé inteligence (AI), která poskytuje systémům schopnost automaticky se učit a vylepšovat se zkušeností bez explicitního programování. Základem učení strojů je vývoj algoritmů, které mohou zpracovávat, analyzovat a naučit se z dat. Cílem je, aby se systémy dokázaly adaptovat na nové situace a vyvíjet schopnost predikce nebo rozhodování na základě historických informací. Praktické aplikace zahrnují analýzu velkých dat, rozpoznávání obrazu, rozpoznávání řeči, doporučovací systémy, autonomní vozidla, a mnoho dalších.
Učení strojů se obvykle dělí na tři hlavní kategorie: dozorované učení, nedozorované učení a posilované učení. Dozorované učení využívá označená data, kde každý příklad v trénovací sadě obsahuje vstupní data a odpovídající cílový výstup. Algoritmus se pak snaží vytvořit model, který tyto vstupy mapuje na správné výstupy. Naproti tomu nedozorované učení pracuje s neoznačenými daty, takže cíl je najít skryté struktury v datech samotných. Třetí typ, posilované učení, je založen na odměňování systému za „správné“ akce, podobně jako učení založené na odměně u živých organismů.
V posledních letech došlo v oblasti učení strojů k významnému pokroku, zvláště díky zvýšené dostupnosti velkých datových sad a výpočetního výkonu, stejně jako vývoji hlubokého učení (deep learning), což je podmnožina učení strojů zaměřená na algoritmy inspirované strukturou a funkcí lidského mozku, známé jako neuronové sítě. Hluboké učení se ukázalo být obzvláště účinné v rozpoznávání obrazů a řeči, což vede k rozvoji pokročilých aplikací, jako jsou samořízená vozidla a sofistikované interaktivní asistenty. Přestože učení strojů přináší obrovský potenciál pro zlepšení mnoha aspektů lidské činnosti, existují také otázky ohledně etiky, zabezpečení a soukromí, které je třeba řešit v souvislosti s růstem a integrací těchto technologií do každodenního života.
Mgr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)